获取网上真实的语料数据,本身对Py的掌握不是很好,记录下自己学习的过程,希望对你有帮助。
#python3
获得taoeba的语料(不知道从哪翻到的这个网站,有各国语言的句子,访问速度较慢
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup as BS
import time
import re
python3中的urllib以及
requests
http://blog.csdn.net/drdairen/article/details/51149498
#对句子列表网页进行获取,得到一个list包含句子链接
def get_selist(url):
try:
response = requests.get(url, headers=headers) #访问所有句子列表
soup = BS(response.text, "lxml") #解析网页
urls = soup.find_all(href=re.compile('.*/cmn/sentences/show/[0-9].*')) #找到所有我要的<a>标签 得到一个list 接下来提取元素的href
sentences = [] #存href
for i in urls: #遍历<a>标签列表
sentences.append(i.get('href')) #get('href')只能对标签字符串操作,刚开始我直接对urls.get()是不可以的。。。
sentences = list(set(sentences)) #对得到的href列表去重
return sentences #返回链接的list
except Exception as e: #网页访问错误就返回空列表
a = []
print('获取句子列表失败 链接为'+url)
return a
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.